Personalized Federated Learning via Learning Dynamic Graphs
作者: Ziran Zhou, Guanyu Gao, Xiaohu Wu, Yan Lyu
发布时间: 2025-03-10
来源: arxiv
研究方向: 个性化联邦学习
主要内容
本文提出了一种名为pFedGAT的个性化联邦学习方法，旨在解决联邦学习中由于数据分布差异导致的模型性能问题。该方法利用图注意力网络（GAT）动态调整客户端之间的协作关系，并通过端到端优化策略实现模型的个性化。
主要贡献
1. 提出了一种基于GAT的个性化联邦学习方法，首次将GAT应用于模型聚合策略的优化。
2. 开发了一种基于客户端损失反馈的端到端训练范式，优化了基于GAT的聚合策略，确保了模型在不同数据分布下的鲁棒性和适应性。
3. 在三个数据集上评估了pFedGAT，实验结果表明，该方法在各种测试条件下均优于现有方法。
研究方法
1. 图注意力网络（GAT）
2. 端到端优化
3. 客户端损失反馈
实验结果
在三个数据集（Fashion MNIST、CIFAR-10和CIFAR-100）上进行的实验表明，pFedGAT在各种数据分布和客户端数量下均优于现有方法。实验结果还表明，GAT能够有效地捕捉客户端之间的协作关系，并且该方法具有良好的泛化能力。
未来工作
未来工作可以进一步研究如何将pFedGAT应用于更复杂的场景，例如动态数据分布和异构客户端。此外，还可以探索其他图神经网络模型在个性化联邦学习中的应用。